近些年随着道路三维检测技术的兴起,越来越多的路段开始使用三维道路检测车对道路状况进行检测.以表征路面使用性能优劣的重要指标──路面状况指数为研究目标,利用ARAN9000三维多功能道路检测车采集的实际路面数据,对路面状况指数进行了预测.首先,考虑路面病害、环境、路面结构等影响因素,运用数据挖掘技术对加拿大安大略省某公路路面状况指数的相关数据进行了数据清洗、特征筛选等处理分析工作.然后,构建了路面状况指数的机器学习预测模型,得到多元线性回归模型、神经网络模型与随机森林模型的复相关系数R2分别为0.562,0.711,0.895.随机森林模型预测的路面状况指数精度较神经网络模型提高了0.184,误差降低了1.599,训练速度提升了33 s.最后,选择精度较高的随机森林模型进行了优化.由于输入变量较多,无法通过简单的统计分析确定应修正或删除的异常数据,因此选择在构建模型并预测后,通过预测值与真实值的拟合效果确定异常值,再使用修正后的数据重新对模型进行循环训练,使之达到当前模型训练最优.结果表明:改进后的随机森林模型预测效率和预测精度更高,R2达到0.898.提出的路面状况指数预测模型是准确而有效的.